小红书 AI Agent 一面：八皇后与记忆读取设计

《面试题目》

1. 手撕：八皇后问题。
2. 实习做的 Agent：从 query 到输出的全流程叙述。
3. 上下文是怎么设计的？
4. 从什么维度读取记忆？
5. 读取到的旧记忆与后来的记忆冲突了怎么办？

《参考解析》

八皇后考的是回溯熟练度，边写边讲比闷头写完更得分。 标准解法是按行放置皇后，用三个集合记录已占用的列、主对角线与副对角线（col、row - col、row + col），每行尝试所有列、冲突就跳过，放满八行就记录一个解并回溯。判断合法性从 O(n) 扫描降到 O(1) 是关键优化点；想再快可以用位运算把三个集合压成整数，用 (cols | diag1 | diag2) & mask 一次取出可用列，再取最低位逐个尝试。已知解的数量是 92 个，被追问时可以顺带说这句以证明写过。面试手撕重点是结构清晰的递归函数加剪枝，以及写完主动跑一个例子验证；如果时间有余，可以提如何改成求任意 n 的通用版本。

「从 query 到输出的全流程」是 Agent 项目的必答题，讲成一条带状态和失败处理的流水线最有说服力。 建议顺序：接收 query 后先做意图与任务识别（是知识问答、需要调工具，还是要多步执行）→ 检索与上下文装配（从长期记忆、会话历史、知识库取相关内容并按 token 预算裁剪）→ 规划（拆成子步骤，决定调哪些工具、按什么顺序）→ 执行循环（工具调用、结果回填、判断是否继续或终止）→ 结果校验（格式、事实一致性、安全策略）→ 输出与写回（把有价值的结论写进记忆）。每一段都要说清失败路径：工具报错怎么重试、重试几次后降级成什么、循环怎么防止无限执行（步数与时间上限）。只说「调用大模型生成回答」会被追问到卡壳，因为面试官想听的是编排与边界控制。

上下文设计的本质是「在有限的 token 里排优先级」。 常见的分层做法是：系统指令与安全约束固定在最前（也是缓存复用的前缀），接着是用户画像与长期偏好，再是会话摘要（把较早的多轮对话压缩成要点），然后是最近若干轮的原始对话，最后是本次检索到的片段与工具返回值。裁剪策略要能说清触发时机：先按相关性丢弃检索片段，再压缩历史对话，始终保留系统指令与最近一轮。结构化比自由文本好维护——记忆条目带类型、来源、时间与置信度字段，装配时按类型选模板，这样既省 token 也让模型更容易判断该信哪条。上下文过长时还可以让模型先输出要点再继续，而不是直接截断。

记忆读取的维度，答成「分类 + 检索策略」两层最完整。 类型上一般分：事实类（用户是谁、做什么工作）、偏好类（喜欢什么风格、回答要多长）、事件类（上次聊到哪、做过什么决定）、以及任务/实体类（某个项目的关键信息）。检索维度包括：来源与作用域（当前会话、该用户历史、全局知识）、主题或实体匹配、时间新旧、相关性得分、以及写入时的置信度。工程实现通常是混合检索——结构化过滤（用户 ID、类型、时间窗口）先缩小范围，再用向量相似度或关键词排序，最后按分数与 token 预算取前若干条。还要说清写入策略：什么值得记（稳定的偏好与结论）、怎么去重（同义合并）、怎么衰减（长期未命中的记忆降权或过期），否则记忆库会越滚越大、检索质量越来越差。

记忆冲突的处理要分类讨论，不能一刀切。 偏好与身份类信息通常以「最新一次显式表达」为准（用户换城市、换目标岗位），做法是新记录写入时把旧记录置为失效并保留历史版本，而不是物理删除，这样出问题可回溯。事实类冲突更适合按来源可信度与时效打分：用户明说的 > 从对话推断的 > 模型总结的，越近的权重越高；当两条记忆分数接近时，正确做法是把矛盾显式带进上下文（「关于 X，此前记录是 A，后来变更为 B」），让模型基于时间与来源判断，或在回答前向用户澄清一句，而不是在检索层偷偷选一条。设计上还要让用户可以查看和删除记忆，这既是合规要求，也是排查「模型为什么这么说」最有效的手段。

面得快要主动适应节奏：先给结论再展开，别铺垫。 十五分钟一题意味着面试官只给你一到两轮展开的机会，答题结构应是「一句话结论 + 三个要点 + 一个例子」，把最有信息量的判断放在前三句；如果对方追问细节，再往下讲实现。手撕题同理，先说清思路与复杂度再动手写，写完跑一个用例，比反复修改代码更省时间。可以在反问环节补问团队当前 Agent 的评测方式与记忆方案的迭代方向，把快问快答的场次也变成一次有效的信息交换。